SWCF-Net：用于高效大规模点云语义分割的相似性加权卷积与局部-全局融合
计算机视觉与模式识别
2024-06-18 v1
摘要
大规模点云由大量独立对象组成，因此包含丰富的结构和潜在的语义上下文信息，这使得高效分割点云成为一个具有挑战性的问题。现有的大多数研究主要集中于捕捉复杂的局部特征，而没有充分考虑全局特征，因此未能利用语义上下文。在本文中，我们提出了一种名为SWCF-Net的相似性加权卷积与局部-全局融合网络，该网络同时考虑了局部和全局特征。我们提出了一种相似性加权卷积（SWConv）来有效提取局部特征，其中将相似性权重纳入卷积操作以增强泛化能力。然后，我们对注意力模块中的K和V通道进行下采样操作，从而将二次复杂度降低为线性，使Transformer能够处理大规模点云。最后，从全局特征中提取正交分量，然后与局部特征聚合，从而消除局部和全局特征之间的冗余信息，进而提高效率。我们在大规模室外数据集SemanticKITTI和Toronto3D上评估了SWCF-Net。我们的实验结果证明了所提出网络的有效性。我们的方法以更少的计算成本取得了有竞争力的结果，并且能够高效地处理大规模点云。
引用
@article{arxiv.2406.11441,
title = {SWCF-Net: Similarity-weighted Convolution and Local-global Fusion for Efficient Large-scale Point Cloud Semantic Segmentation},
author = {Zhenchao Lin and Li He and Hongqiang Yang and Xiaoqun Sun and Cuojin Zhang and Weinan Chen and Yisheng Guan and Hong Zhang},
journal= {arXiv preprint arXiv:2406.11441},
year = {2024}
}